Stokastiske processer og køteori



Relaterede dokumenter
Stokastiske processer og køteori

Stokastiske processer og køteori

Stokastiske processer og køteori

Stokastiske processer og køteori

Stokastiske processer og køteori

Modeller for ankomstprocesser

Stokastiske processer og køteori

Kursusindhold: X i : tilfældig værdi af ite eksperiment. Antag X i kun antager værdierne 1, 2,..., M.

Stokastiske processer og køteori

Kursusindhold: X i : tilfældig værdi af ite eksperiment. Antag X i kun antager værdierne 1, 2,..., M.

Lidt supplerende køteori (ikke pensum)

Produkt og marked - matematiske og statistiske metoder

En oversigt over udvalgte kontinuerte sandsynlighedsfordelinger

Vægte motiverende eksempel. Landmålingens fejlteori - Lektion4 - Vægte og Fordeling af slutfejl. Vægtet model. Vægtrelationen

Landmålingens fejlteori - Lektion4 - Vægte og Fordeling af slutfejl

Teoretisk Statistik, 13 april, 2005

Program. Statistik og Sandsynlighedsregning. Eksempler. Sandsynlighedstæthed og sandsynlighedsmål

Landmålingens fejlteori - Lektion4 - Vægte og Fordeling af slutfejl

Kursusindhold: Produkt og marked - matematiske og statistiske metoder. Monte Carlo

Stokastiske processer og køteori

Kvantitative Metoder 1 - Forår 2007

Produkt og marked - matematiske og statistiske metoder

Oversigt. Kursus Introduktion til Statistik. Forelæsning 4: Kapitel 5: Kontinuerte fordelinger. Per Bruun Brockhoff. Eksponential fordelingen

Antag X 1, X 2,..., X n er n uafhængige stokastiske variable, hvor Var(X 1 )=σ 2 1,..., Var(X n )=σ 2 n.

Sandsynlighedsregning 6. forelæsning Bo Friis Nielsen

Løsning til prøveeksamen 1

Skriftlig Eksamen ST501: Science Statistik Mandag den 11. juni 2007 kl

Program. Statistik og Sandsynlighedsregning 2 Middelværdi og varians. Eksempler fra sidst. Sandsynlighedstæthed og sandsynlighedsmål

Fortolkning. Foldning af sandsynlighedsmål. Foldning af tætheder. Foldning af Γ-fordelinger Eksempel: Hvis X og Y er uafhængige og. Sætning (EH 20.

Eksamen 2014/2015 Mål- og integralteori

Udvikling af operations karakteristika/performance mål for køsystemer

Hvad skal vi lave i dag?

Oversigt. Kursus Introduktion til Statistik. Forelæsning 2: Kapitel 4, Diskrete fordelinger. Per Bruun Brockhoff. Stokastiske Variable

Teoretisk Statistik, 16. februar Generel teori,repetition

Kiosk-modellen (News vendor s model) og EOQ modellen

1/41. 2/41 Landmålingens fejlteori - Lektion 1 - Kontinuerte stokastiske variable

Billedbehandling og mønstergenkendelse: Lidt elementær statistik (version 1)

TØ-opgaver til uge 45

Statistik vejledende læreplan og læringsmål, efteråret 2013 SmartLearning

Sandsynlighedsregning

t a l e n t c a m p d k Matematik Intro Mads Friis, stud.scient 7. november 2015 Slide 1/25

Statistik vejledende læreplan og læringsmål, foråret 2015 SmartLearning

Statistik Lektion 2. Betinget sandsynlighed Bayes regel Diskrete stokastiske variable Middelværdi og varians for diskret SV Binomialfordelingen

Kvantitative Metoder 1 - Efterår Dagens program

University of Copenhagen. Notat om statistisk inferens Larsen, Martin Vinæs. Publication date: Document Version Peer-review version

Introduktion til Statistik. Forelæsning 3: Kontinuerte fordelinger. Peder Bacher

Fagplan for statistik, efteråret 2015

Sandsynlighedsregning og statistik

Sandsynlighedsregning 4. forelæsning Bo Friis Nielsen

Binomialfordelingen. Binomialfordelingen. Binomialfordelingen

Forelæsning 5: Kapitel 7: Inferens for gennemsnit (One-sample setup)

Skriftlig Eksamen ST501: Science Statistik Mandag den 11. juni 2007 kl

Landmålingens fejlteori - Sandsynlighedsregning - Lektion 1

Oversigt. Course 02402/02323 Introducerende Statistik. Forelæsning 3: Kontinuerte fordelinger. Per Bruun Brockhoff

Principper for Samtidighed og Styresystemer

Plan. Markovkæder Matematisk modelling af kølængde, yatzy, smittespredning og partikelbevægelser. Materiale mm.

Landmålingens fejlteori - Lektion 2. Sandsynlighedsintervaller Estimation af µ Konfidensinterval for µ. Definition: Normalfordelingen

INSTITUT FOR MATEMATISKE FAG c

Statistik for ankomstprocesser

Program. 1. Repetition 2. Fordeling af empirisk middelværdi og varians, t-fordeling, begreber vedr. estimation. 1/18

Statistik Lektion 1. Introduktion Grundlæggende statistiske begreber Deskriptiv statistik

Repetition. Diskrete stokastiske variable. Kontinuerte stokastiske variable

Gruppeteori. Michael Knudsen. 8. marts For at motivere indførelsen af gruppebegrebet begynder vi med et eksempel.

Elementær sandsynlighedsregning

Eksempler Determinanten af en kvadratisk matrix. Calculus Uge

Landmålingens fejlteori - Lektion 3. Estimation af σ Dobbeltmålinger Geometrisk nivellement Linearisering

Noget om en symmetrisk random walks tilbagevenden til udgangspunktet

t a l e n t c a m p d k Matematik Intro Mads Friis, stud.scient 27. oktober 2014 Slide 1/25

Måleusikkerhed. FVM temadag, 1. oktober 2015, Hotel Koldingfjord

TØ-opgaver til uge 46

Undervisningsbeskrivelse

Transkript:

Stokastiske processer og køteori 8. kursusgang Anders Gorst-Rasmussen Institut for Matematiske Fag Aalborg Universitet 1

HVAD ER KØNETVÆRK? Åbent kønetværk Lukket kønetværk HVAD ER KØNETVÆRK? 2

Vi skal kun se på åbne kønetværk (ankomst fra eksterne kilder, hver kunde forlader systemet med sandsynlighed 1). Ideelt vil vi gerne, at hvert delsystem ligner de køsystemer, vi véd, hvordan vi analyserer (M/M-systemer, M/GI-systemer). Interessante spørgsmål: 1. Hvordan ser ankomst/afgangsprocesser i delsystemer ud? 2. Hvilken indflydelse har det på beregninger, at delsystemer generelt afhænger af hinanden? 3. Hvordan beregnes performancestørrelser for (del)system? HVAD ER KØNETVÆRK? 3

POISSON AFGANGSPROCES HVORNÅR? Antag ankomstproces til et køsystem med intensitet a. Vi har Poisson afgangsproces m. intensitet a i køsystemerne M/M(m, ) med trafiktilbud A, hvis A/m < 1 (ligevægt) (Burke s sætning, del 1). M/GI(, 0)-køsystemet (uendeligt mange ekspedienter). Intuition: når systemet er i ligevægt er flow ind = flow ud. Ankomst- og afgangsprocessen må altså se ens ud. Burke s sætning, del 2: I M/M(m, ) gælder også, at antal kunder til t, N(t), er uafhængig af afgangsprocessen før tid t. Vi kan altså ikke bruge observationer af afgangsprocessen nu til at sige noget om antallet af kunder i systemet nu. POISSON AFGANGSPROCES HVORNÅR? 4

EKSEMPEL: SIMPEL TANDEMKØ Poisson M/M(1, ) Poisson M/M(1, ) Poisson Hvert delsystem kan analyseres separat som M/M(1, ). Lad N i (t) = antal kunder i delsystem i til tid t. Eftersom N 2 (t) kun afhænger af ankomstproces før tid t, som er uafhængig af N 1 (t) iflg. Burke s sætning, er N 1 (t) faktisk uafhængig af N 2 (t) (gælder generelt i Jacksonnetværk). EKSEMPEL: SIMPEL TANDEMKØ 5

FRA AFGANGSPROCES TIL ANKOMSTPROCES Ankomstprocesser til delsystemer er typisk Sammensat af flere afgangsproc./eksterne ankomstproc. En procentdel af en afgangsproc./eksterne ankomstproc. Begge dele. Reminder fra 2. forelæsning: Sum. Hvis N i uafhængige Poissonprocesser med int. a i, i = 1, 2, så er N 1 + N 2 en Poissonproces med intensitet a 1 + a 2. Udtynding. Lad N være en Poissonproces med intensitet a. Hvis Ñ er tælleprocessen, som fremkommer ved uafhængigt at inkludere den nte ankomst i N med sandsynlighed p, så er Ñ en Poissonproces med intensitet ap. FRA AFGANGSPROCES TIL ANKOMSTPROCES 6

Flere uafhængige Poissonkilder: Poisson (a 1 ) Poisson (a 2 ) Poisson (a k ). Poisson (a 1 +a 2 + +a k ) Sumproces har intensitet givet ved sum af afgangsintensiteter. Tilfældig allokering: Poisson (a) p 1 p 2 p k. Poisson (ap 1 ) Poisson (ap 2 ) Poisson (ap k ) Sandsynlighed p j for delproces j giver denne intensitet ap j. FRA AFGANGSPROCES TIL ANKOMSTPROCES 7

ERLANG ANKOMSTPROCESSER Cyklisk allokering: Poisson (a). Erlang (k, a/k) Erlang (k, a/k) Erlang (k, a/k) Delproces j får præcis hver jte ankomst. Dermed fås en Erlangproces af orden k m. intensitet a/k. Vanskeligt at benytte dette til eksakte beregninger pånær i meget simple kønetværk, fx simpel tandemkø. ERLANG ANKOMSTPROCESSER 8

EKSAKTE BEREGNINGER OPSUMMERING Vi kan regne eksakt på åbne kønetværk, hvor Eksterne ankomstprocesser er Poisson. Delsystemer med m servere, uafhængige eksp. fordelte ekspeditionstider og uendeligt mange ventepladser. Tilfældig kundeallokering mellem delsystemer. (Der ingen løkker er, dvs. hver kunde besøger hvert delsystem højest én gang). Fremgangsmåde: 1. Bestem ankomstintensitet for hvert delsystem vha. regnereglerne på slide 6. 2. Regn på hvert delsystem som på M/M(m, ). 3. Sammensæt evt. performancestørrelser fra delsystemer. EKSAKTE BEREGNINGER OPSUMMERING 9

EKSEMPEL: KØNETVÆRK UDEN LØKKER 0.1 3 a = 2/time 1 2 4 0.9 Antag at hvert delsystem er et M/M(1, )-system. Ekspeditionsintensiteter b 1 = 3, b 2 = 2.5, b 3 = 0.5, b 4 = 3. Dvs. delsystemer med ankomst/ekspeditionsintensiteter 1 : a = 2, b = 3, 3 : a = 0.1 2 = 0.2, b = 0.5 2 : a = 0.9 2 = 1.8, b = 2.5 4 : a = 2, b = 4. EKSEMPEL: KØNETVÆRK UDEN LØKKER 10

Hvad er den gennemsnitlige produktionstid (i ligevægt)? Gnsnt. antal kunder n i i delsystem i (i ligevægt); vi véd at n i = A i 1 A i, hvor A i trafiktilbud i delsystem i. Dvs. 1 : n 1 = 2/3 1 2/3 = 2, 2 : n 2 = 1.8/2.5 1 1.8/2.5 = 1.98 3 : n 3 = 0.2/0.5 1 0.2/0.5 = 2.6 4 : n 4 = 2/4 1 2/4 = 1. Dvs. samlet gnsnt. produktionstid (vha. Little s formel) V = 1 a (n 1 + n 2 + n 3 + n 4 ) = 3.79 EKSEMPEL: KØNETVÆRK UDEN LØKKER 11

KØNETVÆRK MED LØKKER (FEEDBACK) Eksempel på kønetværk med løkke/feedback. 2 a 1 1 p Antag at delsystemer kan modelleres som G/M(m, )-systemer og at ekstern ankomstproces er Poisson. Bemærk at intern ankomstproces (dvs. når feedback medregnes) ikke er en Poissonproces! Kan systemerne stadig analyseres som separate M/M(1, )-køsystemer? Ja ifølge Jackson s sætning. p KØNETVÆRK MED LØKKER (FEEDBACK) 12

JACKSONNETVÆRK Et Jacksonnetværk er et åbent kønetværk af G/M(m, )-køer, hvor eksterne ankomstprocesser er uafhængige Poisson, og kunder fra et køsystem allokeres tilfældigt til næste køsystem indtil kunden forlader køsystemet. Jackson s sætning: Et Jacksonnetværk kan analyseres ved at 1. Bestemme ankomstintensiteter a i til hvert delsystem ved at udnytte, at flow ind = flow ud for hvert delsystem i ligevægt. 2. Behandle hvert delsystem som om det var et M/M(m, )-system med ankomsintensitet a i uafhængigt af de øvrige delsystemer. 3. Evt. kombinere performancestørrelser på tværs af delsystemer. JACKSONNETVÆRK 13

EKSEMPEL: BEREGNINGER I JACKSONNETVÆRK Præcis samme teknik, som I brugte til 2. opgaveregning. λ 1 =9/time 0.5 3 1 2 4 5 0.5 0.2 0.8 λ 2 =1/time 1 : a 1 = a + 0.2a 4 4 : a 4 = a 3 + a 2 2 : a 2 = 0.5a 1 5 a 5 = 0.8a 4 + λ 2 = λ 1 + λ 2. 3 : a 3 = 0.5a 1 a 1 = 11.25 a 2 = 5.63 a 3 = 5.63 a 4 = 11.25 a 5 = 10 EKSEMPEL: BEREGNINGER I JACKSONNETVÆRK 14

Antag at eksempelnetværk er et Jacksonnetværk med M/M(1, )-delsystemer og ekspeditionsintensiteter b 1 = = b 5 = 12/time Gnsnt. antal kunder n i i delsystem i (i ligevægt); vi véd at N i = A i 1 A i, hvor A i trafiktilbud i delsystem i. Dvs. 1 : n 1 = 11.25/12 1 11.25/12 = 15, 3 : n 3 = 5.63/12 1 5.63/12 = 0.88 2 : n 2 = 5.63/12 1 5.63/12 = 0.88 4 : n 4 = 11.25/12 1 11.25/12 = 15 5 : n 5 = 10/12 1 10/12 = 5. Dvs. samlet gnsnt. produktionstid (vha. Little s formel) V = 1 λ 1 + λ 2 (n 1 + n 2 + n 3 + n 4 ) = 3.7 EKSEMPEL: BEREGNINGER I JACKSONNETVÆRK 15

KARAKTERISTISKE STØRRELSER I JACKSONNETVÆRK Poisson eksterne ankomstprocesser med intensiteter λ 1,...,λ l. Sæt λ = λ 1 + + λ l (samlet throughput). Antag k delsystemer med ankomstintensiteter a i ; gennemsnitlige ekspeditionstider b i ; m i ekspedienter; N i (t) kunder til tid t. Ekspedientbelastning ved delsystem i; med trafiktilbud A i = a i /b i ρ i = A i m i, (skal være mindre end 1 for ligevægt!). Gennemsnitligt antal besøg til delsystem i: v i = a i /λ. Gennemsnitligt antal kunder i system: L = k i=1 EN i. Gennemsnitlig opholdstid i system: V = 1 λ k i=1 EN i. KARAKTERISTISKE STØRRELSER I JACKSONNETVÆRK 16

REKAPITULATION: DIMENSIONERING OG ANALYSE Vi kan regne eksakt på åbne kønetværk m. M/M(m, ) delsystemer og tilfældig allokering til delsystemer. Velegnet til initiel dimensionering og analyse. Bemærk: Analysen forudsætter eksponentialfordelte ventetider. Ofte er ventetidernes varians mindre end eksponentialfordelingens. Det betyder, at analysen giver konservative performancemål. Eksempelvis vil den faktiske gennemsnitlige ventetid være mindre end analysens resultat, jf. PK-formlen V q = 1 2 1 b A ( 1 VarS ). 1 A (ES) 2 REKAPITULATION: DIMENSIONERING OG ANALYSE 17

KORT OM M/GI(, 0)-DELSYSTEMER Vi kan også kan regne eksakt på åbne kønetværk med M/GI(, 0)-delsystemer; uden løkker(!!!). Mindre interessante i dimensioneringssammenhæng pga. uendeligt mange ekspedienter per delsystem dvs. kunder bliver altid straksekspederet. For antal kunder i delsystem i gælder N i Poisson(A i ). Heraf eksempelvis antal kunder i delsystem i EN i = A i Dvs. gennemsnitligt antal kunder EN 1 + + EN k ; gennemsnitligt produktionstid: V = λ 1 (A 1 + + A k ). KORT OM M/GI(, 0)-DELSYSTEMER 18